下载文档原格式
《基于复杂适应系统理论的经济仿真研究》篇一一、引言随着现代经济系统的日益复杂化，对经济现象的深入理解和预测成为研究者的迫切需求。
本文尝试将复杂适应系统理论（CAS）应用于经济仿真研究，通过对复杂系统的分析来洞察经济动态变化，旨在更准确地描述和理解经济行为。
本文的结构如下：首先对CAS理论进行概述，然后介绍经济仿真的方法和模型，最后通过案例分析来验证CAS理论在经济仿真中的应用。
二、复杂适应系统理论概述复杂适应系统理论是一种从个体行为出发，研究整个系统演化的理论。
它认为系统中的个体具有适应性，能够在与环境的交互中学习并改变自己的行为规则，从而影响整个系统的演化。
该理论在生物学、计算机科学、经济学等多个领域都有广泛的应用。
三、经济仿真方法与模型经济仿真是一种通过建立数学模型来模拟经济系统的运行过程和结果的方法。
它可以帮助我们更好地理解经济现象，预测经济趋势，为政策制定提供科学依据。
常用的经济仿真模型包括基于主体的计算经济学模型、投入产出模型等。
四、基于复杂适应系统理论的经济仿真研究1. 模型构建本文构建了一个基于CAS的经济仿真模型。
在这个模型中，经济主体（如个人、企业等）具有学习和适应能力，他们根据自身的经验和环境的变化来调整自己的行为策略。
同时，这些主体的行为又会影响整个经济系统的运行和演化。
2. 仿真过程在仿真过程中，我们首先设定了初始的参数和条件，然后让经济主体在模拟的环境中进行交互和学习。
通过多次迭代和调整，我们观察到了整个经济系统的变化和演化过程。
3. 结果分析通过对仿真结果的分析，我们发现基于CAS的经济仿真模型能够较好地描述和预测经济现象。
同时，我们还发现经济主体的学习和适应能力对经济系统的运行和演化具有重要影响。
这些结果为我们更好地理解经济现象提供了新的视角和思路。
五、案例分析为了进一步验证CAS理论在经济仿真中的应用，我们选择了一个实际的经济现象——股票市场进行了案例分析。
我们发现基于CAS的仿真模型能够较好地模拟股票市场的动态变化过程，并预测未来的趋势。
复杂适应系统协同理论、方法与应用研究共3篇复杂适应系统协同理论、方法与应用研究1复杂适应系统协同理论、方法与应用研究随着社会经济的迅速发展，人们开始逐渐意识到复杂性和不确定性的普遍存在。
为了应对这种复杂性，越来越多的研究者开始借鉴自然界的复杂适应系统概念，提出了复杂适应系统协同理论，并在各个领域中得到广泛应用。
本文将从复杂适应系统协同理论的基本概念出发，介绍其相关的方法与应用，并最后探讨其未来的发展方向。
一、复杂适应系统协同理论的基本概念复杂适应系统协同理论是一种借鉴自然界的科学理论和方法。
它把各种复杂系统看做是由一个个相互耦合的基本单元所组成，基本单元与基本单元之间相互作用形成了一个整体并呈现出复杂的现象。
复杂适应系统协同理论的核心思想是，各个系统基本单元之间通过相互合作实现功能，从而达到系统整体的目标。
通过整合各个单元的功能，协调其相互作用，形成一个更加高效、适应更强的系统。
二、复杂适应系统协同理论的研究方法1.集成模型方法：通过将单个模型集成成一体，从而实现模型之间的相互支持和交互。
该方法主要用于建立系统的数学模型，对系统进行数学仿真以及预测，对系统效益进行量化和评估。
2.数据驱动的方法：这是在没有足够信息的情况下进行控制决策的一种方法。
通过对大量已有的数据进行分类、归纳、综合等处理方式，以达到对系统的理解和构建更精细的模型。
3.混沌与复杂性的方法：混沌系统为非线性系统的一种特例，是一个复杂系统。
混沌与复杂系统模拟方法，可模拟如非线性振荡、相变、元胞生物学、人工生命等现象。
三、复杂适应系统协同理论的应用1.智能制造系统：作为一种高度自适应的制造系统，其基础是一个复杂适应系统，它由物理组件、计算机系统和信息管理框架构成。
它可以在不同的生产环境和运营情况下自适应地优化以实现过程的增效和质量的提高。
2.智慧城市：当城市的各项重要基础设施，如供水、供气、供电、交通等，融入到一个整体系统中，该城市就成为了一个复杂适应系统。
复杂自适应系统理论综述1 复杂自适应系统理论简介复杂自适应系统（Complex Adaptive System，CAS）理论是现代复杂性科学研究中的一种重要理论，是由美国密歇根大学教授、遗传算法创始人约翰·霍兰（John Holland）于1994年圣塔菲研究所成立10周年时正式提出的。
其后霍兰又在《隐秩序——适应性造就复杂性》以及《涌现：从混沌到有序》两本著作中对该理论进行了完善。
CAS理论的主要思想是：复杂自适应系统是一种“用规则描述的，由相互作用的适应性主体（Active Agent）所构成的系统，这些主体随着经验的积累，靠不断变换规则来适应”（霍兰，2000：10-11）；复杂自适应系统理论的核心是适应性创造复杂性，与以往传统的机械论、还原论不同，复杂自适应系统（CAS）中的个体是具有主观能动性、适应性的智能体，可以在适应外界环境与对外交流中不断学习与积累经验，并能根据自己所学不断调整自己的行为方式以求与系统规则相匹配。
另外，还能通过修改系统规则来达到自身行为与外界环境的匹配。
在该系统中，所有个体都处于一个主要由其他个体所构成的大环境之中，而复杂自适应系统也始终处于一种“混沌的边缘”的环境之中，因而任何主体在适应上所作的努力都是努力适应别的适应性主体，即CAS中的每一个个体都依靠与环境以及与其他个体间的相互作用不断改变着它们的自身，同时也改变着环境。
此外，与自上而下、中心控制的复杂性科学早期研究的贝塔朗菲的一般系统理论不同，复杂自适应系统是一种层次结构分明的自下而上的分散系统，系统中的每个个体在共处一个大环境的同时又分别根据它周围的小环境并行、独立地进行着适应与学习，不同层次间的个体一般没有交集，从而“把对涌现的繁杂的观测还原为简单机制的相互作用”，而相同层级的个体通过一定的竞合行为，又可以在系统的更高层次上突现出新的结构、现象及更复杂的行为。
一般认为像社会系统、股票市场、虚拟社区、蚁群、人体免疫系统、组织中的单位或不同组织所形成的联盟都可看作复杂自适应系统。
《基于复杂适应系统理论的经济仿真研究》篇一一、引言经济系统的复杂性常常超出我们常规的理解范围，这源于经济系统的内在非线性、不确定性和交互性。
面对如此复杂的系统，传统的研究方法往往显得捉襟见肘。
近年来，复杂适应系统理论（Complex Adaptive System Theory，CAST）逐渐成为研究经济系统的有力工具。
本文将通过经济仿真研究，探讨基于复杂适应系统理论的经济模型及其应用。
二、复杂适应系统理论概述复杂适应系统理论是一种研究复杂系统的理论框架，它强调系统内各元素的适应性、主动性和相互影响。
在经济学中，这一理论被广泛应用于研究经济系统的动态演变和复杂行为。
在复杂适应系统中，每个元素（如个体、组织或群体）都根据其环境和与其他元素的关系，进行学习和适应，从而影响整个系统的行为和结构。
三、经济仿真模型的构建为了更好地理解和模拟经济系统的复杂性，我们构建了一个基于复杂适应系统理论的经济仿真模型。
该模型包含多个适应性主体，如消费者、生产者、政府等，每个主体都有自身的目标、策略和行为规则。
主体之间通过交互、学习和适应，共同影响经济系统的运行和演变。
在仿真模型中，我们采用多智能体技术，通过模拟主体的决策过程和行为，以及主体之间的相互作用和影响，来描述经济系统的动态变化。
此外，我们还考虑了多种因素，如政策、技术、文化等对经济系统的影响。
四、仿真结果与分析通过仿真实验，我们观察到经济系统中各主体之间的相互作用和影响，以及整个系统的动态演变过程。
在仿真过程中，各主体根据环境和与其他主体的关系进行学习和适应，从而改变自身的行为和策略。
这些变化又进一步影响整个系统的行为和结构，形成了一个复杂的、动态的、自我演化的经济系统。
从仿真结果中，我们可以看到经济系统的复杂性表现在多个方面。
首先，经济系统的运行不是静态的，而是动态变化的。
其次，各主体之间的相互作用和影响是复杂的、非线性的。
此外，政策、技术、文化等因素对经济系统的影响也是显著的。
第十讲复杂适应系统(xìtǒng)（CAS）理论复杂适应系统（Complex Adaptive System，以下简称CAS）理论是美国霍兰（John Holland）教授于1994年，在Santa fe研究所成立十周年时正式提出的。
复杂适应系统（CAS）理论的提出对于人们认识、理解、控制、管理复杂系统提供了新的思路。
CAS理论包括微观和宏观两个(liǎnɡɡè)方面。
在微观方面，CAS理论的最基本的概念是具有适应能力的、主动的个体，简称主体。
这种主体在与环境的交互作用中遵循一般的刺激——反应模型，所谓适应能力表现在它能够根据行为的效果修改自己的行为规则，以便更好地在客观环境中生存。
在宏观方面，由这样的主体组成的系统，将在主体之间以及主体与环境的相互作用中发展，表现出宏观系统中的分化、涌现等种种复杂的演化过程。
CAS理论虽然提出不久，但是(dànshì)由于其思想的新颖和富有启发，它已经在许多领域得到了应用，推动着人们对于复杂系统的行为规律进行深入研究。
一、复杂(fùzá)适应系统理论的基本观点和概念作为CAS理论的产生背景，有必要对于Santa fe研究所作一简要(jiǎnyào)的介绍。
Santa fe研究所成立于1984年。
在许多著名科学家的支持下，第一次研讨会于1984年，在美国新墨西哥州的首府桑塔菲市举行。
这次会议以经济为主题，参加者不但有以诺贝尔经济学奖得主阿罗（Kenneth Arrow ）为首的许多经济学家，而且有许多物理学家，包括诺贝尔物理学奖得主盖尔曼（Murray Gell-Mann ）和安德森（Philip W. Anderson）。
这次成功的交流使与会者十分兴奋，并且一致同意按此方向走下去。
这就是Santa fe研究所的诞生。
它是一个独立的非赢利的研究所，靠申请各种基金来支持跨学科的研究工作。
不久前，它被评为全美国最优秀的十个研究所之一。
基于复杂适应系统理论的经济仿真研究引言近年来，复杂适应系统理论逐渐引起经济学家和研究者们的关注。
复杂适应系统理论提供了一种新的观察和解释经济现象的框架，有助于加深我们对经济系统运行和演化的理解。
在这篇文章中，我们将探讨基于复杂适应系统理论的经济仿真研究的意义和应用。
一、复杂适应系统理论的基本概念复杂适应系统理论是一种研究复杂系统行为和性质的科学理论。
它关注于系统的整体性质、自组织、适应性和非线性等特征。
复杂适应系统理论认为，经济系统是一个由许多相互作用的个体组成的复杂系统，个体之间的相互作用和适应过程是决定系统演化的重要驱动因素。
二、基于复杂适应系统理论的经济仿真研究的意义1.揭示经济现象的动态与非线性特征采用复杂适应系统理论进行经济仿真研究，可以帮助我们揭示经济现象的动态和非线性特征。
传统的经济理论常常基于假设的均衡状态，无法解释实际经济系统中的非线性变化和动态演变。
而基于复杂适应系统理论的经济仿真研究，可以更好地模拟和理解真实经济系统的变化过程，从而提供更准确和全面的分析。
2.研究经济系统的演化和适应过程复杂适应系统理论注重研究系统的演化和适应过程，可以帮助我们理解并预测经济系统的演化路径。
经济系统中的个体和机构面临变化的市场环境和竞争压力，不断调整其行为和策略以适应环境变化。
复杂适应系统理论提供了一种有效的框架，可以研究个体和机构的适应性行为，并分析其对整体系统演化的影响。
3.评估政策的效果和风险通过建立基于复杂适应系统理论的经济仿真模型，可以帮助我们评估不同政策对经济系统的影响。
仿真模型可以模拟不同政策措施对个体和整体系统的影响，并分析其产生的效果和可能的风险。
这有助于决策者更准确地评估政策的潜在影响，并制定出更合理和有效的政策措施。
三、基于复杂适应系统理论的经济仿真研究的应用1.研究金融市场的波动和风险金融市场是一个典型的复杂适应系统，其中的个体投资者和机构之间的相互作用和适应过程对市场行为和风险具有重要影响。
第六章复杂适应系统理论复杂适应系统（Complex Adaptive System，简称CAS）理论的提出对于人们认识、理解、控制、管理复杂系统提供了新的思路。
CAS理论包括微观和宏观两个方面。
在微观方面，CAS理论的最基本的概念是具有适应能力的、主动的个体，简称主体。
这种主体在与环境的交互作用中遵循一般的刺激——反应模型，主体的适应能力表现在它能够根据行为的效果修改自己的行为规则，以便更好地在客观环境中生存。
在宏观方面，由这样的主体组成的系统，将在主体之间以及主体与环境的相互作用中发展，表现出宏观系统中的分化、涌现等种种复杂的演化过程。
1994年霍兰提出复杂适应系统理论，在桑塔费研究所成立10周年时正式提出的。
作为CAS理论的产生背景，有必要对该研究所简单介绍。
1. 圣菲（桑塔费）研究所CAS理论的诞生地——桑塔费研究所成立于1984年。
它是一个独立的非盈利的研究所，靠申请各种基金来支持跨学科的研究工作。
聚集在这里的研究人员虽然来自不同的阶层和背景，包括从梳着马尾巴发型的研究生到像物理学家盖尔曼、安德森和经济学家阿罗这样的诺贝尔桂冠得主，由年迈的学术巨子（头顶诺贝尔桂冠、地位特殊、声名显赫）创建的机构，但他们都达到了一个基本的共识，都坚信一个将普照自然和人类的新科学——复杂性理论，他们正在凌厉地冲破自牛顿时代以来一直统治着科学的线性的还原论的思维方式，但起步非常艰难。
1.1 还原论三百多年来，科学家们热爱的线性系统，在这个系统中，整体正好等于所有部分之和。
还原论把世界分解得尽可能小，尽可能简单。
为一系列或多或少理想化了的问题寻找解题的方案（通往诺贝尔奖的辉煌殿堂通常是由还原论的思维取道的），但却因此背离了真实世界，把问题限制到你能发现解决办法的地步，这就造成了科学上越来越多的碎裂片。
而真实的世界却要求我们用更加整体的眼光去看问题，任何事情都会影响到其它事情，你必须了解事情的整体关联网。
事实上，除了非常简单的物理系统，世界上几乎所有的事情、所有的人都被裹罩在一张充满刺激、限制和相互关系的巨大非线性网络之中，一个地方小小的变化会导致其它地方的震荡（一呼百应、千应，蝴蝶力量），整体几乎永远是远远大于部分的总和（气体整体属性有压强、温度、相变——凝固与蒸发，而单个气体分子只有动能、速度；一台安装好的机器具有它的零部件总和所没有的功能）。
复杂适应系统(CAS)理论复杂适应系统理论的概述复杂适应系统(Complex Adaptive System CAS)理论认为系统演化的动力本质上来源于系统内部，微观主体的相互作用生成宏观的复杂性现象，其研究思路着眼于系统内在要素的相互作用，所以它采取“自下而上”的研究路线；其研究深度不限于对客观事物的描述，而是更着重于揭示客观事物构成的原因及其演化的历程。
与复杂适应系统思考问题的独特思路相对应，其研究问题的方法与传统方法也有不同之处，是定性判断与定量计算相结合，微观分析与宏观综合相结合，还原论与整体论相结合，科学推理与哲学思辨相结合。
复杂适应系统建模方法的核心是通过在局部细节模型与全局模型间的循环反馈和校正，来研究局部细节变化如何突现出整体的全局行为，其模型组成一般是基于大量参数的适应性主体，其主要手段和思路是正反馈和适应，其认为环境是演化的，主体应主动从环境中学习。
正是由于以上这些特点，CAS理论具有了其它理论所没有的、更具特色的新功能，提供了模拟生态、社会、经济、管理、军事等复杂系统的巨大潜力。
复杂适应系统理论的产生复杂适应系统(Complex Adaptive System，以下简称CAS)理论是美国霍兰(John Holland)教授于1994年，在Santa fe研究所成立十周年时正式提出的。
复杂适应系统(CAS)理论的提出对于人们认识、理解、控制、管理复杂系统提供了新的思路。
CAS理论包括微观和宏观两个方面。
在微观方面，CAS理论的最基本的概念是具有适应能力的、主动的个体，简称主体。
这种主体在与环境的交互作用中遵循一般的刺激——反应模型，所谓适应能力表现在它能够根据行为的效果修改自己的行为规则，以便更好地在客观环境中生存。
在宏观方面，由这样的主体组成的系统，将在主体之间以及主体与环境的相互作用中发展，表现出宏观系统中的分化、涌现等种种复杂的演化过程。
CAS理论虽然提出不久，但是由于其思想的新颖和富有启发，它已经在许多领域得到了应用，推动着人们对于复杂系统的行为规律进行深入研究。
复杂适应系统理论对危机时期民众心态的分析与模拟通过对危机状态下社会行为、心态状况方面的考察、分析和模拟，以复杂适应系统的观点分析了SARS爆发至消亡的一个月时间内，民众在行为、情绪、压力等方面的变化及特征。
以网络调查得到的数据为基础，利用统计分析方法对反映民众行为、心态的各项变量间的相互关联性进行了深入分析，并根据统计分析得到的定量模型，通过设定微观主体的行为规范，建立了基于主体的计算机模型。
在该模型上，通过模拟分析一些可控因素对于稳定民众情绪、缓解社会压力的效果，发现了如民众对政府的信任程度、对防治手段的了解程度等影响比较突出的关键因素，为危机条件下制定及时有效的应对措施提供了一定的参考。
标签：SARS；复杂适应性系统；计算机模拟；社会心理一、研究背景对社会心理、行为模式的分析和预测，是一个综合的危机预警和应对机制构建过程当中不能不考虑的重要课题。
一些心理学研究者从流言、临床心理咨询、公共卫生体系等多个角度开展了有针对性的研究。
中国科学院心理研究所基于风险认知理论构建统计模型对心理预警和危机管理方面的研究成果就深具启发性。
我们认为，这一课题涉及政治、心理、经济等许多学科领域，其范围的广泛性和复杂性使我们不能孤立地、静态地思考问题，必须以系统的观点来看待和分析。
在这篇文章中，我们将针对2003年SARS时期民众社会心态和行为现状展开系统的分析和研究，并根据研究结果提出针对危机事件的应对措施及建议。
二、模型建立(一)研究思路本次研究通过调查问卷的方式，对当时的社会心理状况加以采集汇总，然后利用统计分析方法，对反映民众行为、心态的各项变量特点进行概括，并对它们彼此之间的相互关联性进行深入分析和抽象总结，进而得到定量的统计模型。
考虑到我们分析的对象是民众的心理、行为模式，我们所要考虑的整个系统是由众多处于当时特定环境下的个体(人)所组成的，作为个体的人不仅仅是外界环境的被动接受者，他们同时也是构成环境的一部分，他们能通过与其他个体和外界之间的交流相互影响，不断地进行适应性的变化，因此这些个体可以被认为是具有适应性的活的“主体”。
所分析的系统的复杂性，在一定程度上可以归结为主体的这种适应性。
我们所面对的系统具有“复杂适应系统”的特点，根据这种观点，我们可以建立基于主体的计算机模型，使研究更进一步。
在构建计算机模型中的一个非常关键又比较困难的问题就是对主体行为规则的抽象和设计，这里我们利用统计分析得到定量模式，比较方便地解决了这个问题。
通过考虑所分析系统的特点，最终选定通过以复杂适应系统理论为指导的基于主体的计算机模拟方法。
利用计算机模型对实际的数据进行拟合，并在此基础上分析对于民众心理状况有影响的控制因素，为危机条件下制定及时有效的应对措施提供了一定的参考。
图1是可以概括整个分析思路的框架。
(二)数据基础我们以中国人民大学社会心理研究所SARS时期做的大型网络调查得到的数据为基础。
问卷侧重于对“行为一情绪一压力”角度的考察，涉及信息传递、公众知觉、心理感受等反映社会心理特征的多个角度。
网络调查的手段在SARS时期体现出了特有的优势，保证了数据的及时性和广泛性。
这次调查回收的有效样本来自除台、港、澳之外的31个省区市，有效样本近5000份。
经过进一步筛选，最后保留2287份样本作为我们分析模拟的数据基础。
(三)统计模型本文的统计分析和统计建模具备与传统方法不同的特点。
1．研究中侧重于对变量之间隐含关系的挖掘。
通常的社会心理学研究侧重于对单个变量进行描述性的分析概括，如频数、比例、均值等方面的分析。
而在我们的研究中，因为涉及我们对微观主体行为方式的提炼，需要根据调查的数据构建反映主体心理行为方式的模型，所以格外注重对变量之间相互影响、关联模式的挖掘。
同时由于在调查问卷中设计了3个李克特量表，根据统计学研究可以对这类问题中得到的数据进行适当的变换后视为定量数据进行统计分析，克服了该领域内一般数据存在的测量级别较低的问题，为合理利用统计分析方法提供了更多的选择日。
2．所进行的统计分析是根据问卷中所包含题目的特点和调查得到的实际数据进行的“探索性”分析。
根据问卷设计与统计分析结合的特点，社会学中应用统计学研究可以分为两种情况：一类是指在问卷设计当中已经包括一定的理论假设，利用调查数据对假设进行检验，称为“实证性”研究；另一类是指在问卷设计中不含假设，直接根据调查结果进行分析，称为“探索性”研究。
传统的心理学调查问卷中多包含一定的理论假设，这固然会使结果具有较大的确定性，但同时也存在一定的主观性和导向性。
采用“探索性”分析，结果的集中程度可能会稍差一些，但它为理论并不成熟完善的领域提供了更贴近现实的选择。
3．结合2003年SARS事件的特点，在时间上分阶段建立了统计模型。
针对主体在不同时期的行为、心理反应模式构建了统计模型，这增加了模型的精确程度，同时还使模型具有了时序性的特色，方便进行计算机模拟。
4．构建统计模型并不是最终分析研究的目的。
这里把根据现实数据构建的统计模型作为构建基于主体的计算机模型的必备条件，把得到的统计数据作为计算机模型中主体行为方式的抽象，使其成为对主体行为规则设计的依据，进而最终形成具有现实基础的计算机模型，来动态地模拟预测现实情况，并使其成为对危机事件的心理预警机制和应对措施研究的一部分。
(四)计算机模型在模型的实现中利用研究复杂适应系统非常方便的建模工具——由桑塔非研究所开发的SWARM平台，它提供了建立计算机模型的框架以及实现模型的许多有用的工具。
基于这种框架，模型中关键的三个部分分别是主体类的建立、ModelSwarm类的建立、ObserverSwarm类的建立5。
采用基于主体的计算机模拟方法，模型中很重要的一部分就是主体的建立。
此模型中主体是所考虑的特定社会环境中具有主动性的人。
主体具有的主要属性包括：反映该主体心理、行为特点的3个指标性的变量；对政府信任程度，对防治知识了解程度(这两个变量是根据统计分析结果选择出来具有显著效果，而且又是我们在政策建议当中比较关注的因素)；性别、年龄、受教育程度、职业等反映主体基本特征的变量。
ModelSwarm类中，主要设置了模型中系统级的参数，这些参数可以显示给用户，并可以被修改以实现对不同条件下模型运行结果进行比较研究。
根据整体的研究思路，在这里实现了根据统计模型对现实情况的抽象和对计算机主体行为规则的建立。
这里考虑的系统级参数主要包括：所考虑的系统内包含的主体个数、系统范围内平均的对政府信任程度和对防治知识了解的程度。
ObserverSwarm类中实现了对运行结果数据的采集以及显示。
在这个模型中主要统计显示了3个指标性变量随时间变化的折线图：行为得分、情绪指数和压力指数。
三、研究结果及分析(一)调查结果的统计分析这里的分析方式是“探索性”的，在统计过程中，首先考察调查问卷的结构，然后根据一定的社会心理学理论和关注点构建了危机条件下的行为、心理反应模型。
1.问卷结构分析对于问卷涉及的14个选择问题的因子分析得到的结果可见表1，从中可以看到这次问卷主要从哪些角度考察了SARS时期民众的心理和行为。
问卷中的14个单独问题可以概括为4个比较综合的因子：第一个主要涉及情绪压力方面，第二个因子主要涉及对周围的态度以及感受方面，第三个因子主要涉及行为方面，第四个因子是与获取信息相关的。
因子归纳的结果为我们思考调查当中哪几个变量比较相关这样的问题，带来很大的启发。
在因子归纳时按照相近变量归为一个因子解释的原则，可以从表1中看到人们的情绪、压力反应与人们对“疫情公告”的态度(也反映了对政府的信任程度)具有较强的联系。
人们的行为与对所居住地病情的了解情况和对防治知识的了解情况都有较强关系。
这种定性的结果虽然对于提出政策建议、得出确切的结论仍显不够，但给我们进一步的思考和模拟研究提供了启发。
(见表1)2．行为、情绪、压力的考察根据数据的统计测量级别和社会心理学中的“行为一情绪一压力”理论基础，对变量进行多因素方差分析和回归分析，并随疫情发展情况的不同，在时间上分四个阶段分别构建了考察民众行为、情绪、压力之间相互影响以及受个体性别、年龄、职业、受教育程度等因素影响的统计模型。
数据的测量级别在很大程度上决定了所能采取的统计分析方法，根据由问卷中反映行为、情绪、压力的李克特量表得到的定量型指标，首先考察3个指标之间的相关情况，其次考虑问卷中涉及的其他一些定类、定序因素对这些变量的影响，再次综合这些因素，并加入时间阶段的考虑得到最终的统计模型，作为指导下一步计算机模拟的基础。
行为、情绪和压力是统计分析中主要考察的3个指标，本次调查包含了2003年4月26日至5月28日—个多月的数据。
从心理学角度来看这3个变量每日平均值的变化意义不大，而把这段时间根据疫情的发展情况以周为单位划分成4个阶段，则此3个变量在4个阶段中出现了一定程度的规律性。
通过比较随着疫情发展的4个阶段中3个变量两两之间的相关性变化，可以看到情绪和压力两者间关系更为密切。
(见图3)3．综合统计模型上述4个阶段的情况是有区别的，因此在构造统计模型时，应按4个阶段对变量间的关系进行分别考察。
以所关注的行为、情绪和压力作为因变量，以可能对它们产生影响的因素作为自变量(包括3个变量彼此之间的影响和个人特征等方面)，利用统计方法建立回归或者协方差模型，找出对因变量的影响具有统计显著性的因素。
这里仅以对第一阶段中，以情绪指数为因变量得到的结果为例进行介绍。
先将其他可能对情绪变量产生影响的因素设定为自变量，建立协方差模型。
根据各个自变量影响的显著性，并结合心理学理论方面的考虑，筛选出影响突出的关键因素，形成最终的方程。
最后得到的方差统计表，如下面表2所示。
表2方差分析统计表(因变量：总情绪)a Computed using alpha=．05；b R Squared=．273(Adjusted R Squared．268)从其中的显著性因素判断指标(统计表第5列Sig．)可以看出最后保留的这几个变量都是具有统计上的显著性的(显著性水平alpha=O．05)。
而具体每个自变量是以何种定量的程度来影响因变量，需要根据下面的参数估计表来确定。
(见表3) 据此参数估计表不难得出针对特定因变量的方程。
例如这里我们可以写出如下方程：emotiont，=5．791+0．325*press+0．218*behaviorlaVlbr+0．966*sex+4．007*COn91+3．716*COn 92+3．151*COn 93+1．197*COn 94+3．022*cod 31+2．971*COn 32+1．502*COn 33+0．876*con 34其中，emotion_t代表情绪指数，press和behavior分别代表压力和行为指数，congl-con94在变量V9(对政府信任程度)取值为1-5(参见表3第1列中的解释)时对应取值1，其他的变量取值为O。
